Projekt läuft · Quantencomputing
Quantum
Wir nutzen Quantencomputing, um medizinische Bilder besser zu lesen.
- die Schichten einer QCNN mit N Qubits
- log N
- für jedes Faltungsgatter
- 2 Qubits
- die bei jedem Pooling gemessenen Qubits
- 1 von 2
- vom Bild zur Klasse
- 4 Schritte
Für alle, die kommen aus Physik, Informatik, Medizin
Das Problem
Um einen Tumor in einer MRT-Aufnahme zu erkennen, lernt ein faltendes neuronales Netz, ein CNN, aus Tausenden von Beispielen. In der Medizin gibt es nur wenige Beispiele, und die Labels vergeben Ärzte, die sich nicht immer einig sind, weder untereinander noch mit sich selbst im Lauf der Zeit.
Mit solchen Daten lernen große CNNs auch die Fehler auswendig und generalisieren schlecht. Auch sie zu messen ist schwierig: bei zwei Kaggle-Wettbewerben mit weniger als 1000 Testfällen war der Unterschied zwischen dem öffentlichen und dem privaten Leaderboard größer als der Abstand zwischen dem Sieger und den besten 10%.
Das Qubit und die Blochkugel
Ein Bit hat den Wert 0 oder 1. Ein Qubit kann sich in einer Superposition der beiden befinden: sein Zustand ist ein Punkt auf der Oberfläche einer Kugel, der Blochkugel. Am Nordpol liegt |0⟩, am Südpol |1⟩, auf dem Äquator die Superpositionen zu gleichen Teilen, wie |+⟩ und |−⟩.
|ψ⟩ = cos(θ/2) · |0⟩ + e^(iφ) · sin(θ/2) · |1⟩
θ von 0 bis π, die vom Nordpol aus gemessene Breite
φ von 0 bis 2π, die Länge auf dem Äquator
Punkt auf der Kugel = (sin θ · cos φ, sin θ · sin φ, cos θ)Die logischen Quantengatter sind Drehungen der Kugel. X, Y und Z drehen den Zustand um eine halbe Umdrehung um ihre eigene Achse; das Hadamard-Gatter dreht um die Achse in der Mitte zwischen x und z und überführt |0⟩ in |+⟩.
| |0⟩ | Nordpol | Achse +z |
|---|---|---|
| |1⟩ | Südpol | Achse −z |
| |+⟩ | Äquator | Achse +x |
| |−⟩ | Äquator | Achse −x |
| |+i⟩ | Äquator | Achse +y |
| |−i⟩ | Äquator | Achse −y |
Das Quantenfaltungsnetz
Ein QCNN überträgt die Idee der CNNs auf Qubits. Die Faltung ist eine Reihe von Zwei-Qubit-Gattern, gleich in der ganzen Schicht, auf benachbarten Qubit-Paaren. Das Pooling misst die Hälfte der Qubits und nutzt die Ergebnisse, um die verbleibenden zu drehen. Schicht für Schicht halbieren sich die Qubits, bis eine Messung die Klasse ergibt.
Der Vorteil liegt in den Zahlen: bei N Qubits reichen etwa log N Schichten, und die zu lernenden Parameter wachsen wie log N. Und es ist bewiesen, dass ein QCNN nicht in barren plateaus fällt, die flachen Plateaus, auf denen das Training vieler Quantenschaltkreise stecken bleibt.
Die Zahlen im Diagramm
| Schicht | Qubits |
|---|---|
| Eingabe | 8 Qubits |
| Nach dem ersten Pooling | 4 Qubits |
| Nach dem zweiten | 2 Qubits |
| Ausgabe | 1 Qubits |
Was wir wissen und was nicht
Arbeiten aus den Jahren 2025 und 2026 zeigen, dass sich viele heute verwendete QCNNs auch auf einem klassischen Computer effizient simulieren lassen, weil sie vor allem bei Daten gut funktionieren, die sich mit lokalen Messungen leicht auslesen lassen.
Bei Gehirn-MRTs sind die veröffentlichten Zahlen noch niedrig. Deshalb versprechen wir keinen Quantenvorteil: unsere Arbeit besteht darin, ihn fair zu messen, gegen die klassischen Methoden und an denselben Daten.
Die Zahlen im Diagramm
| Aufgabe | Genauigkeit |
|---|---|
| Zwei Klassen (Tumor oder nicht) | 88 bis 89% |
| Vier Klassen (drei Tumorarten oder ohne Tumor) | 52 bis 62% |
Der Ablauf des Projekts
- 1Ein medizinisches Bild, zum Beispiel eine Gehirn-MRT.
- 2Die Verarbeitung auf einem echten Quantencomputer.
- 3Der Vergleich mit den anderen Methoden.
- 4Die Klassifikation: zu welcher Gruppe das Bild gehört.
Im April 2026 ist der Quantencode bereit für die Tests.
Die öffentlichen Daten
Für dieses Problem gibt es öffentliche, bereits gelabelte Sammlungen von MRTs mit Hirntumoren. Die wichtigsten:
| Brain Tumor MRI, Kaggle | 7.200 Bilder | 4 Klassen: Gliom, Meningeom, Hypophysentumor, kein Tumor |
|---|---|---|
| Figshare, Cheng und Kollegen | 3.064 Bilder | von 233 Patienten, 3 Tumorarten |
| BraTS 2021 | 2.040 Patienten | 4 MRT-Sequenzen, mit den Tumorkonturen |
Wo wir stehen
- April 2026Wir haben das Projekt im Palazzo della Borsa vorgestellt: der Quantencode ist bereit für die Tests.
- Nächster SchrittDen gesamten Ablauf auf einem echten Quantencomputer laufen lassen und ihn mit den klassischen Methoden vergleichen, anhand derselben Daten.
Fotos
Videos
Menschen im Projekt
Mit wem wir es machen
Quellen
- Cong, Choi und Lukin, Quantum convolutional neural networks, Nature Physics, 2019.
- Pesah und Kollegen, Absence of Barren Plateaus in Quantum Convolutional Neural Networks, Physical Review X, 2021.
- McClean und Kollegen, Nature Communications, 2018; Bermejo und Kollegen, PRX Quantum, 2026.
- Karimi und Kollegen, Medical Image Analysis, 2020; Varoquaux und Cheplygina, npj Digital Medicine, 2022.
- Nugraha und Kollegen, arXiv:2509.02582, 2025.
- IBM Quantum Learning, Bloch sphere.
- Präsentation beim Deep-Tech Showcase, Palazzo della Borsa, 21. April 2026.
Willst du mitarbeiten?
Du brauchst keine Erfahrung und keinen Lebenslauf. Schreib uns: wir laden dich zum nächsten Treffen ein, dort lernst du das Team kennen.